Implementação de um framework para a detecção contextual de anomalias em dados de sensores

Detalhes bibliográficos
Autor(a) principal: Gonzaga, Matheus dos Santos
Data de Publicação: 2017
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/169031
Resumo: Apesar de serem uma solução de monitoramento barata, devido a restrições de processamento, comunicação e energia, redes de sensores estão sujeitas a leituras corrompidas e anômalas. Neste trabalho, o framework para a detecção de anomalias proposto por (HAYES, 2014) foi implementado e avaliado. Foram propostas mudanças em duas etapas do algoritmo e mediu-se o seu impacto no desempenho. O framework implementado foi avaliado em dois conjuntos de dados de redes de sensores sem fio com resultados satisfatórios, detectando 80% das anomalias presentes. Das duas mudanças propostas, apenas uma resultou em uma leve melhoria da capacidade de detecção do framework. Este trabalho fornece uma análise detalhada dos componentes do framework, o que pode ser tomado como base para futuras melhorias.
id UFRGS-2_c9d7bd33a4a8ea33bcd52c3d633a545d
oai_identifier_str oai:www.lume.ufrgs.br:10183/169031
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Gonzaga, Matheus dos SantosGalante, Renata de Matos2017-09-28T02:28:39Z2017http://hdl.handle.net/10183/169031001048284Apesar de serem uma solução de monitoramento barata, devido a restrições de processamento, comunicação e energia, redes de sensores estão sujeitas a leituras corrompidas e anômalas. Neste trabalho, o framework para a detecção de anomalias proposto por (HAYES, 2014) foi implementado e avaliado. Foram propostas mudanças em duas etapas do algoritmo e mediu-se o seu impacto no desempenho. O framework implementado foi avaliado em dois conjuntos de dados de redes de sensores sem fio com resultados satisfatórios, detectando 80% das anomalias presentes. Das duas mudanças propostas, apenas uma resultou em uma leve melhoria da capacidade de detecção do framework. Este trabalho fornece uma análise detalhada dos componentes do framework, o que pode ser tomado como base para futuras melhorias.Despite being a low cost solution for the monitoring problem, due to processing, communication and energy constraints, wireless sensor networks are subject to corrupt and anomalous readings. In this work, the anomaly detection framework proposed by (HAYES, 2014) has been implemented and evaluated. Changes in two steps of the algorithm were suggested and their impact on the performance was measured. The implemented framework was analyzed on two wireless sensor networks data sets with good results, detecting 80% of the present anomalies. Of the two proposed changes, only one resulted in a slight improvement in the framework’s detection capacity. This work provides a detailed analysis of the framework’s components, that can be a basis for future improvements.application/pdfporSensoresBig dataTolerancia : FalhasAnomaly detectionSensor dataWireless sensor networksBig dataImplementação de um framework para a detecção contextual de anomalias em dados de sensoresImplementation of a framework for contextual anomaly detection in sensor data info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RS2017Ciência da Computação: Ênfase em Ciência da Computação: Bachareladograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL001048284.pdf001048284.pdfTexto completoapplication/pdf1362082http://www.lume.ufrgs.br/bitstream/10183/169031/1/001048284.pdfdcb8af7455f768f6a1f8b275cbf74da5MD51TEXT001048284.pdf.txt001048284.pdf.txtExtracted Texttext/plain78824http://www.lume.ufrgs.br/bitstream/10183/169031/2/001048284.pdf.txtb6734501585c84a144417d4ff90f8cf2MD52THUMBNAIL001048284.pdf.jpg001048284.pdf.jpgGenerated Thumbnailimage/jpeg1029http://www.lume.ufrgs.br/bitstream/10183/169031/3/001048284.pdf.jpg2bcfb7db9bc3f070b6473b0fd131c0cdMD5310183/1690312018-10-29 07:59:03.591oai:www.lume.ufrgs.br:10183/169031Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2018-10-29T10:59:03Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Implementação de um framework para a detecção contextual de anomalias em dados de sensores
dc.title.alternative.en.fl_str_mv Implementation of a framework for contextual anomaly detection in sensor data
title Implementação de um framework para a detecção contextual de anomalias em dados de sensores
spellingShingle Implementação de um framework para a detecção contextual de anomalias em dados de sensores
Gonzaga, Matheus dos Santos
Sensores
Big data
Tolerancia : Falhas
Anomaly detection
Sensor data
Wireless sensor networks
Big data
title_short Implementação de um framework para a detecção contextual de anomalias em dados de sensores
title_full Implementação de um framework para a detecção contextual de anomalias em dados de sensores
title_fullStr Implementação de um framework para a detecção contextual de anomalias em dados de sensores
title_full_unstemmed Implementação de um framework para a detecção contextual de anomalias em dados de sensores
title_sort Implementação de um framework para a detecção contextual de anomalias em dados de sensores
author Gonzaga, Matheus dos Santos
author_facet Gonzaga, Matheus dos Santos
author_role author
dc.contributor.author.fl_str_mv Gonzaga, Matheus dos Santos
dc.contributor.advisor1.fl_str_mv Galante, Renata de Matos
contributor_str_mv Galante, Renata de Matos
dc.subject.por.fl_str_mv Sensores
Big data
Tolerancia : Falhas
topic Sensores
Big data
Tolerancia : Falhas
Anomaly detection
Sensor data
Wireless sensor networks
Big data
dc.subject.eng.fl_str_mv Anomaly detection
Sensor data
Wireless sensor networks
Big data
description Apesar de serem uma solução de monitoramento barata, devido a restrições de processamento, comunicação e energia, redes de sensores estão sujeitas a leituras corrompidas e anômalas. Neste trabalho, o framework para a detecção de anomalias proposto por (HAYES, 2014) foi implementado e avaliado. Foram propostas mudanças em duas etapas do algoritmo e mediu-se o seu impacto no desempenho. O framework implementado foi avaliado em dois conjuntos de dados de redes de sensores sem fio com resultados satisfatórios, detectando 80% das anomalias presentes. Das duas mudanças propostas, apenas uma resultou em uma leve melhoria da capacidade de detecção do framework. Este trabalho fornece uma análise detalhada dos componentes do framework, o que pode ser tomado como base para futuras melhorias.
publishDate 2017
dc.date.accessioned.fl_str_mv 2017-09-28T02:28:39Z
dc.date.issued.fl_str_mv 2017
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/169031
dc.identifier.nrb.pt_BR.fl_str_mv 001048284
url http://hdl.handle.net/10183/169031
identifier_str_mv 001048284
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/169031/1/001048284.pdf
http://www.lume.ufrgs.br/bitstream/10183/169031/2/001048284.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/169031/3/001048284.pdf.jpg
bitstream.checksum.fl_str_mv dcb8af7455f768f6a1f8b275cbf74da5
b6734501585c84a144417d4ff90f8cf2
2bcfb7db9bc3f070b6473b0fd131c0cd
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1815447203615866880

Registros relacionados